一种空间非合作目标自主导航的观测数据自主优选方法与流程

1.本发明涉及一种空间非合作目标自主导航的观测数据自主优选方法，应用于空间非合作目标测量信息获取，属于自主导航技术领域。


背景技术：

2.空间非合作目标自主导航的测量信息高精度提取方法是获取失效卫星、太空碎片、小天体等非合作目标特征数据的核心技术手段，为空间非合作目标自主相对导航系统提供重要的信息来源。
3.光学敏感器是当前航天器应用最广泛的测量敏感器，不仅可以获取目标的丰富图像信息，而且作用距离远，可以获取数千万公里外的目标图像。为了从图像中获得更多有效的测量信息，需要以连续帧图像为基础，获得包含一定数量共同特征点的相邻帧、且具有时间标签信息的系列图像集合，即序列图像，为相对导航系统提供时序信息，并从中提取目标的测量信息，提高测量信息提取精度。目前，基于序列图像的测量信息提取方法主要包括卷积神经网络法和图像累积法，两种方法都是在获得一定时间内的序列图像后提取待观测目标测量信息。然而，卷积神经网络法通常需要目标的先验信息进行训练，获得神经网络的训练集，不适用于缺少先验信息的非合作目标，且图像识别算法计算资源消耗大，难以实时提供测量信息；而图像累积法难以将待观测目标与非待观测目标区分开来，尤其是序列图像中的运动轨迹与待观测目标轨迹距离较近时，待观测目标测量信息提取精度低，而且该方法对图像累积数量要求较多，难以满足导航系统的实时性要求。除此以外，上述方法在目标不可见时(如其他目标遮挡或者目标星等不足以被光学敏感器观测到)，无法提供目标测量信息。因此，需要研究非合作目标测量信息高效提取方法，在干扰条件下(如非待观测目标干扰或者目标不可见)提高目标测量信息提取精度，进而为系统状态估计提供持续的高精度测量信息。另外，在以往的空间非合作目标测量信息提取过程中，往往没有考虑航天器自主相对导航系统资源严重受限、其他空间目标干扰等问题，这些方法虽然能够在一定程度上有效地提取目标测量信息，但是信息提取精度、提取效率有待提高。


技术实现要素：

4.本发明要解决的技术问题是：克服现有技术的不足，解决了非合作目标测量信息高效、高精度提取问题。
5.本发明目的通过以下技术方案予以实现：
6.一种空间非合作目标自主导航的观测数据自主优选方法，包括如下步骤：
7.s1、根据光学敏感器获得的一组光学序列图像，将图像中的条纹进行识别，获得属于同一目标的条纹信息，并计算每一个条纹的质心；
8.s2、根据s1中的条纹质心，采用自适应b样条基函数获得非合作目标在成像平面上的轨迹表示模型；
9.s3、根据s2中的目标成像轨迹表示模型和当前时间信息，得到当前时刻目标光学
成像质心的预测值；
10.s4、根据s3中的目标光学成像质心的预测值，与s1中的条纹质心对比，判断当前条纹质心是否提取有误，如果无误转入s5，否则转入s6；
11.s5、根据s4中的条纹质心和s3中的目标光学成像质心的预测值，在b样条预测精度和光学敏感器测量精度信息基础上，融合自适应b样条基函数表示模型和条纹质心，获得目标质心的融合提取结果；
12.s6、依据目标光学成像质心的预测值，确定目标质心信息。
13.s1中所述的空间非合作目标条纹信息是指一组序列图像叠加在同一张图片后，目标在同一时刻下的像素聚集成的“条纹”，假设两个条纹相邻最近的两个像素分别为和则最小距离d
min
表示为：
[0014][0015]
为了确定不同条纹是否属于同一个目标，定义最小距离阈值为εd，当两个条纹最小距离满足如下条件时，两个条纹可能属于同一个目标。
[0016]dmin
≤εd[0017]
假设逻辑变量l0为距离判据，则有：
[0018][0019]
条纹的横向和纵向长度组成的1
×
2向量，称为“长度向量”，即：
[0020][0021]
其中i代表第i个条纹，和分别代表条纹在图像上的横向像素(x轴)和纵向(y轴)像素长度，表示如下：
[0022][0023][0024]
这里代表第i个条纹的横向像素坐标，代表第i个条纹的纵向像素坐标
[0025]
条纹i横向的像素和条纹j横向的像素差的最大值记为条纹i纵向的像素和条纹j纵向的像素差的最大值记为则条纹i和条纹j合并条纹的长度向量表示为
[0026]
为了实现同一目标测量信息的识别，在条纹之间最小距离判据的基础上，还需要判断不同条纹之间的方向是否属于同一个目标。因此，分析不同条纹之间是否满足如下三个相对方向条件之一：
①
横向方向；
②
纵向方向；
③
倾斜方向。
[0027]
①
横向方向
[0028]
定义横向方向判据l1如下：
[0029]
[0030]
②
纵向方向
[0031]
定义纵向方向判据l2如下：
[0032][0033]
③
倾斜方向
[0034]
定义倾斜方向判据l3如下：
[0035][0036]
在两个条纹满足方向判据的基础上，还需要进一步判断每个条纹的密度是否相似。对于条纹i和条纹j合并后的对角线对应的矩形区域中，条纹i的所有像素在这个区域的平均像素与条纹j的所有像素在这个区域的平均像素的差，称为相对密度，用δ
ij
表示：
[0037][0038]
其中n
ij
＝|n
i-nj|，ni和nj分别为条纹i和条纹j的总像素值,给出两个簇之间的密度判据如下：
[0039][0040]
其中ε
δ
代表密度判据阈值，当δ＝1时，两个条纹满足密度判据条件，属于同一个目标。当条纹i和条纹j满足最小距离判据、方向判据以及密度判据时，认为二者属于同一个目标的测量信息，进而计算不同的条纹的质心，代表条纹的中心，即测量信息，质心计算如下：
[0041][0042]
其中代表簇i的质心坐标，l为簇i的某个像素，为像素l的坐标，e(p
l
)为像素l的信号强度，为簇i的总信号强度，根据敏感器输出结果得到，计算如下：
[0043][0044]
根据图像之间的距离、方向及密度对图像中目标信息识别，避免了传统方法的复杂神经网络训练和测试流程，极大地降低了计算复杂度。
[0045]
s2中的自适应b样条基函数次数根据测量信息提取精度需求确定。以目标在成像平面x方向坐标值为例，假设x方向成像坐标为x(t1),x(t2),...,x(tn)，其中t1,t2,...,tn为成像坐标对应的时刻，n为采样点数量，每个时刻之间的时间间隔是相等的；假设t时刻下测量信息提取精度需求为e
p
(t)，p为b样条基函数次数，则p与测量信息提取精度需求关系如下：
[0046][0047]
其中d
p+1
＝||x
(p+1)
(t)||
∞
，由成像坐标x(t1),x(t2),...,x(tn)进行差商获得。由于上式难以直接求得结果，故采用如下流程确定b样条基函数次数：
[0048]
②
设b样条插值拟合初始次数为p＝3；
[0049]
②
取x(t
m-p-1
),x(t
m-p
)...x(t
m-3
),x(t
m-2
),x(t
m-1
),x(tm)共(p+2)个点计算差商代替d
p+1
＝||x
(p+1)
(tm)||
∞
，其中m代表b样条基函数表示模型的节点数量，x
(p+1)
(tm)代表x(t)在tm时刻的(p+1)阶导数，d
p+1
为x
(p+1)
(tm)的无穷范数，即：
[0050][0051]
③
判断是否满足下式：
[0052][0053]
其中a和b分别为采样时间的起始时刻和终止时刻。
[0054]
则有如下两个情况：
[0055]
i.如果
③
中式满足，令p＝p-1，如果p≠0，重复
②
和
③
，直到
③
中式满足或者p＝0时，输出p+1为当前b样条次数；
[0056]
ii.如果
③
中式不满足，令p＝p+1，重复
②
和
③
，直到
③
中式满足，输出p为当前b样条次数。
[0057]
进而获得根据上述算法，x(t)与时间t的b样条基函数表示为：
[0058][0059]
其中h为图像采集时间间隔，r为x(t)的b样条基函数下标，为x方向质心在tr节点下的p次b样条表达式，为x方向质心表示模型tr节点下的b样条系数，表示如下：
[0060][0061][0062]
类似地，y(t)与时间t的b样条基函数表示为：
[0063][0064]
其中r为y(t)的b样条基函数下标，为y方向质心在tr节点下的p次b样条表
达式，为y方向质心表示模型tr节点下的b样条系数。
[0065]
则非合作目标在成像平面上的轨迹表示模型为(x(t),y(t))
t
。
[0066]
s3中当前时刻目标光学成像质心信息的预测值根据s2中的轨迹表示模型计算得到，假设当前时刻为t0，则目标在成像平面上的轨迹预测值为：
[0067][0068][0069]
s4中预测值与条纹质心进行对比，令δd为s4中预测值与目标条纹质心的偏差向量，ε
t
为判定阈值，可根据实际情况设定，如果：
[0070]
||δd||＞ε
t
[0071]
则判定提取得到的目标图像信息有误，以预测值代替当前时刻的目标测量值；当无法获得当前目标测量图像时，也可以采用自适应b样条基函数表示模型预测目标的成像轨迹及图像信息。
[0072]
s5中目标质心信息的提取结果在s4判定结果基础上计算，如果判定提取得到的目标图像信息无误，则质心信息的融合结果表示如下：
[0073][0074][0075]
其中w1和w2为二者的加权权重，分别为质心融合结果的横坐标和纵坐标，计算如下：
[0076][0077]
这里l与q在取1和2时分别指代光学敏感器测量误差和b样条基函数表示模型精度，即σ1取光学敏感器测量误差的标准差，σ2取在确定b样条基函数次数后确定的测量信息表示模型精度。
[0078]
本发明相比于现有技术具有如下有益效果：
[0079]
(1)本发明方法通过自适应b样条基函数表示模型体现了空间非合作目标在序列图像上呈现的时序特征，能够有效提取目标的时序信息。
[0080]
(2)本发明方法通过提取连续时刻目标图像上条纹质心的时序特征，剔除了精度较低的测量信息，实现了复杂图像背景中观测数据的自主优选。
[0081]
(3)本发明方法采用了一种高效的条纹识别方法，通过条纹距离、方向和密度判断图像信息是否属于同一目标，有效降低了计算复杂度，具备较强的工程应用前景。
[0082]
(4)本发明方法通过自适应b样条基函数表示模型预测目标成像轨迹，并与提取到的测量信息进行对比和融合，有效避免了其他空间目标的干扰影响，提升了测量信息提取精度。
附图说明
[0083]
图1为本发明的流程框图。
[0084]
图2为本发明的目标成像条纹示意图。
[0085]
图3为本发明的最小距离示意图。
[0086]
图4为本发明的方向判据示意图，其中图4a为横向方向，图4b为竖向方向，图4c为倾斜方向。
[0087]
图5为本发明的目标成像轨迹融合示意图。
具体实施方式
[0088]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步详细描述。
[0089]
本发明涉及一种空间非合作目标自主导航的观测数据自主优选方法。(1)根据光学敏感器获得的一组光学序列图像，将图1中的条纹进行识别(按照图3和图4示意的判别方式进行识别)，获得属于同一目标的条纹信息，并计算每一个条纹质心；(2)根据(1)中的条纹质心，采用自适应b样条基函数获得非合作目标在成像平面上的轨迹表示模型；(3)根据(2)中非合作目标在成像平面上的轨迹表示模型和当前时间信息，得到当前时刻目标光学成像质心的预测值；(4)根据(3)中目标光学成像质心的预测值，与(1)中的条纹质心对比，判断当前条纹质心是否提取有误，如果无误转入(5)，如果条纹质心提取有误转入(6)；(5)根据(1)中的条纹质心和(3)中的目标光学成像质心的预测值，在b样条预测精度和光学敏感器测量精度信息基础上，融合自适应b样条基函数表示模型和条纹质心，获得目标质心的融合提取结果，融合示意图如图5所示图中三角图标代表质心融合结果，圆形图标代表提取到的条纹质心，方形图标代表目标光学成像质心的预测值，带阴影的圆形范围代表目标光学成像质心的预测值允许的误差范围；(6)依据目标光学成像质心的预测值，确定目标质心信息。
[0090]
本发明获得的空间非合作目标自主导航的测量信息高精度提取方法，克服了其他空间目标对目标图像信息的干扰，在星上计算资源严重受限的约束下，有效提升了空间非合作目标测量信息提取效率和提取精度。
[0091]
(1)如图2所示所述，空间非合作目标条纹信息是指一组序列图像叠加在同一张图片后，目标在同一时刻下的像素聚集成的“条纹”，假设两个条纹相邻最近的两个像素分别为和则最小距离d
min
表示为：
[0092][0093]
为了确定不同条纹是否属于同一个目标，定义最小距离阈值为εd，当两个条纹最小距离满足如下条件时，两个条纹可能属于同一个目标。
[0094]dmin
≤εd[0095]
假设逻辑变量l0为距离判据(如图3所示)，则有：
[0096][0097]
条纹的横向和纵向长度组成的1
×
2向量，称为“长度向量”，即：
[0098][0099]
其中i代表第i个条纹，和分别代表条纹在图像上的横向像素(x轴)和纵向(y轴)像素长度，表示如下：
[0100][0101][0102]
这里代表第i个条纹的横向像素坐标，代表第i个条纹的纵向像素坐标
[0103]
条纹i横向的像素和条纹j横向的像素差的最大值记为条纹i纵向的像素和条纹j纵向的像素差的最大值记为则条纹i和条纹j合并条纹的长度向量表示为
[0104]
为了实现同一目标测量信息的识别，在条纹之间最小距离判据的基础上，还需要判断不同条纹之间的方向是否属于同一个目标(如图4所示，图中斜条纹和竖条纹像素分别代表条纹的起始点和终点)。因此，分析不同条纹之间是否满足如下三个相对方向条件之一：
①
横向方向；
②
纵向方向；
③
倾斜方向。
[0105]
①
横向方向
[0106]
定义横向方向判据l1如下：
[0107][0108]
②
纵向方向
[0109]
定义纵向方向判据l2如下：
[0110][0111]
③
倾斜方向
[0112]
定义倾斜方向判据l3如下：
[0113][0114]
在两个条纹满足方向判据的基础上，还需要进一步判断每个条纹的密度是否相似。对于条纹i和条纹j合并后的对角线对应的矩形区域中，条纹i的所有像素在这个区域的平均像素与条纹j的所有像素在这个区域的平均像素的差，称为相对密度，用δ
ij
表示：
[0115][0116]
其中n
ij
＝|n
i-nj|，ni和nj分别为条纹i和条纹j的总像素值,给出两个簇之间的密度判据如下：
[0117][0118]
其中ε
δ
代表密度判据阈值，当δ＝1时，两个条纹满足密度判据条件，属于同一个目标。当条纹i和条纹j满足最小距离判据、方向判据以及密度判据时，认为二者属于同一个目标的测量信息，进而计算不同的条纹的质心，代表条纹的中心，即测量信息，质心计算如下：
[0119][0120]
其中代表簇i的质心坐标，l为簇i的某个像素，为像素l的坐标，e(p
l
)为像素l的信号强度，为簇i的总信号强度，根据敏感器输出结果得到，计算如下：
[0121][0122]
根据图像之间的距离、方向及密度对图像中目标信息识别，避免了传统方法的复杂神经网络训练和测试流程，极大地降低了计算复杂度。
[0123]
(2)根据测量信息提取精度确定自适应b样条基函数次数。以目标在成像平面x方向坐标值为例，假设x方向成像坐标为x(t1),x(t2),...,x(tn)，其中t1,t2,...,tn为成像坐标对应的时刻，n为采样点数量，每个时刻之间的时间间隔是相等的；假设t时刻下测量信息提取精度需求为e
p
(t)，则b样条基函数次数p与测量信息提取精度需求关系如下：
[0124][0125]
其中d
p+1
＝||x
(p+1)
(t)||
∞
，x
(p+1)
(t)代表x(t)在t时刻的(p+1)阶导数，由成像坐标x(t1),x(t2),...,x(tn)进行差商获得。由于上式难以直接求得结果，故采用如下流程确定b样条基函数次数：
[0126]
①
设b样条插值拟合初始次数为p＝3；
[0127]
②
取x(t
m-p-1
),x(t
m-p
)...x(t
m-3
),x(t
m-2
),x(t
m-1
),x(tm)共(p+2)个点计算差商代替d
p+1
＝||x
(p+1)
(tm)||
∞
，即：
[0128]
h代表采样时间间隔；
[0129]
③
判断是否满足下式：
[0130][0131]
则有如下两个情况：
[0132]
i.如果
③
中式满足，令p＝p-1，如果p≠0，重复
②
和
③
，直到
③
中式满足或者p＝0时，输出p+1为当前b样条次数；
[0133]
ii.如果
③
中式不满足，令p＝p+1，重复
②
和
③
，直到
③
中式满足，输出p为当前b样
条次数。
[0134]
进而获得根据上述算法，x(t)与时间t的b样条基函数表示为：
[0135][0136]
其中为ti节点下p次b样条表达式，为tj节点下的b样条系数，类似地，y(t)与时间t的b样条基函数表示为：
[0137][0138]
则非合作目标在成像平面上的轨迹表示模型为(x(t),y(t))
t
。
[0139]
(3)当前时刻目标光学成像质心的预测值根据(2)中的轨迹表示模型计算得到，假设当前时刻为t0，则目标在成像平面上的轨迹预测值为：
[0140][0141][0142]
(4)目标成像轨迹与当前图像提取到的条纹质心进行对比，令为s3中预测值与目标条纹质心的偏差，ε
t
为判定阈值，可根据实际情况设定，如果：
[0143]
||δd||＞ε
t
[0144]
则判定提取得到的目标条纹质心受到图像内其他空间目标的严重干扰，精度有限，以预测值代替当前时刻的目标测量值。
[0145]
(5)提取到的条纹质心结果在(4)判定结果基础上计算，如果判定提取得到的条纹质心无误，则质心融合结果表示如下：
[0146][0147][0148]
其中w1和w2为二者的加权权重，计算如下：
[0149][0150]
这里σ1取光学敏感器测量误差的标准差，σ2取在确定b样条基函数次数后确定的测量信息表示模型精度。
[0151]
本发明的测量信息提取方法充分考虑了空间非合作目标自主相对导航任务过程中的工程约束，适用于在轨服务实际工程任务场景；本发明通过自适应b样条基函数表示模型体现了空间非合作目标在序列图像上呈现的时序特征，能够有效提取目标的时序信息；采用了一种高效的条纹识别方法，通过条纹距离、方向和密度判断图像信息是否属于同一目标，有效降低了计算复杂度，具备较强的工程应用前景；通过自适应b样条基函数表示模
型预测目标成像轨迹，并与提取到的测量信息进行对比和融合，有效避免了其他空间目标的干扰影响，提升了测量信息提取精度。
[0152]
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
[0153]
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

技术特征：
1.一种空间非合作目标自主导航的观测数据自主优选方法，其特征在于，包括：根据光学敏感器获得的一组光学序列图像，将图像中的条纹进行识别，获得属于同一目标的条纹信息，并计算每一个条纹的质心；根据条纹质心，采用自适应b样条基函数获得非合作目标在成像平面上的轨迹表示模型；根据非合作目标在成像平面上的轨迹表示模型和当前时间信息，得到当前时刻目标光学成像质心的预测值；将目标光学成像质心的预测值与条纹质心对比，若条纹质心无误，根据目标光学成像质心的预测值和条纹质心，在b样条预测精度和光学敏感器测量精度信息基础上，融合自适应b样条基函数表示模型和图像测量信息，获得目标质心信息的提取结果。2.根据权利要求1所述的观测数据自主优选方法，其特征在于，目标条纹信息是指一组序列图像叠加在同一张图片后，目标在同一时刻下的像素聚集成的条纹。3.根据权利要求2所述的观测数据自主优选方法，其特征在于，假设两个条纹相邻最近的两个像素分别为和通过确定两个条纹最小距离满足预定条件时，两个条纹可能属于同一个目标；再满足横向方向、纵向方向、倾斜方向分别的预设条件之一时，判定不同条纹属于同一个目标。4.根据权利要求1所述的观测数据自主优选方法，其特征在于，设定判定阈值，目标光学成像质心的预测值与条纹质心之间的偏差不超过判定阈值，则条纹质心无误。5.根据权利要求1所述的观测数据自主优选方法，其特征在于，质心融合结果表示如下：表示如下：其中w1和w2为二者的加权权重，计算如下：这里σ1取光学敏感器测量误差的标准差，σ2取在确定b样条基函数次数后确定的测量信息表示模型精度，为目标光学成像质心的预测值，为目标光学成像质心的预测值，为条纹质心。6.一种空间非合作目标自主导航的观测数据自主优选方法，其特征在于，包括：根据光学敏感器获得的一组光学序列图像，将图像中的条纹进行识别，获得属于同一目标的条纹信息，并计算每一个条纹的质心；根据条纹质心，采用自适应b样条基函数获得非合作目标在成像平面上的轨迹表示模型；根据非合作目标在成像平面上的轨迹表示模型和当前时间信息，得到当前时刻目标光学成像质心的预测值；将当前时刻目标光学成像质心的预测值与条纹质心对比，若条纹质心有误，依据目标
光学成像质心的预测值，确定目标质心信息。7.根据权利要求6所述的观测数据自主优选方法，其特征在于，目标条纹信息是指一组序列图像叠加在同一张图片后，目标在同一时刻下的像素聚集成的条纹。8.根据权利要求7所述的观测数据自主优选方法，其特征在于，假设两个条纹相邻最近的两个像素分别为和通过确定两个条纹最小距离满足预定条件时，两个条纹可能属于同一个目标；再满足横向方向、纵向方向、倾斜方向分别的预设条件之一时，判定不同条纹属于同一个目标。9.根据权利要求6所述的观测数据自主优选方法，其特征在于，设定判定阈值，目标光学成像质心的预测值与条纹质心之间的偏差超过判定阈值，则条纹质心有误。10.根据权利要求6所述的观测数据自主优选方法，其特征在于，质心融合结果表示如下：表示如下：其中w1和w2为二者的加权权重，计算如下：这里σ1取光学敏感器测量误差的标准差，σ2取在确定b样条基函数次数后确定的测量信息表示模型精度，为目标光学成像质心的预测值，为目标光学成像质心的预测值，为条纹质心。

技术总结
一种空间非合作目标自主导航的观测数据自主优选方法，包括：根据光学敏感器获得的一组光学序列图像，将图像中的条纹进行识别，获得属于同一目标的条纹信息，并计算每一个条纹的质心；根据条纹质心，采用自适应B样条基函数获得非合作目标在成像平面上的轨迹表示模型；根据非合作目标在成像平面上的轨迹表示模型和当前时间信息，得到当前时刻目标光学成像质心的预测值；将目标光学成像质心的预测值与条纹质心对比，若条纹质心无误，根据目标光学成像质心的预测值和条纹质心，融合自适应B样条基函数表示模型和图像测量信息，获得目标质心信息的提取结果；若条纹质心有误，依据目标光学成像质心的预测值，确定目标质心信息。确定目标质心信息。确定目标质心信息。


技术研发人员：王大轶 侯博文 李嘉兴 孙博文 董天舒 鄂薇 朱卫红 徐超 邓润然 李茂登
受保护的技术使用者：北京空间飞行器总体设计部
技术研发日：2023.04.13
技术公布日：2023/8/14